TensorFlowを使用して自動MPGデータセットでシーケンシャルモデルを構築するにはどうすればよいですか？

Tensorflowは、Googleが提供する機械学習フレームワークです。これは、Pythonと組み合わせて使用​​されるオープンソースのフレームワークであり、アルゴリズム、深層学習アプリケーションなどを実装します。研究や生産目的で使用されます。

「tensorflow」パッケージは、以下のコード行を使用してWindowsにインストールできます-

pip install tensorflow

Tensorは、TensorFlowで使用されるデータ構造です。フロー図のエッジを接続するのに役立ちます。このフロー図は「データフローグラフ」と呼ばれます。テンソルは、多次元配列またはリストに他なりません。これらは、3つの主要な属性を使用して識別できます-

• ランク −テンソルの次元について説明します。これは、テンソルの順序、または定義されたテンソルの次元数として理解できます。

• タイプ −テンソルの要素に関連付けられたデータ型について説明します。 1次元、2次元、またはn次元のテンソルにすることができます。

• 形状 −これは行と列を合わせた数です。

回帰問題の背後にある目的は、価格、確率、雨が降るかどうかなど、連続変数または離散変数の出力を予測することです。私たちが使用するデータセットは「自動MPG」データセットと呼ばれます。 1970年代と1980年代の自動車の燃費が含まれています。これには、重量、馬力、排気量などの属性が含まれます。これにより、特定の車両の燃料効率を予測する必要があります。

以下のコードを実行するためにGoogleColaboratoryを使用しています。 Google ColabまたはColaboratoryは、ブラウザー上でPythonコードを実行するのに役立ち、構成が不要で、GPU（グラフィックプロセッシングユニット）に無料でアクセスできます。 Colaboratoryは、JupyterNotebookの上に構築されています。以下はコードスニペットです-

例

def build_compile_model(norm):
   model = keras.Sequential([
      norm,
      layers.Dense(64, activation='relu'),
      layers.Dense(64, activation='relu'),
      layers.Dense(1)
   ])
   model.compile(loss='mean_absolute_error',
   optimizer=tf.keras.optimizers.Adam(0.001))
   return model

print("The model is being built and compiled")
dnn_horsepower_model = build_compile_model(horsepower_normalizer)
print("The statistical summary is being computed")
dnn_horsepower_model.summary()

コードクレジット-https：//www.tensorflow.org/tutorials/keras/regression

出力

説明

• シーケンシャルモデルを構築し、3つの高密度レイヤーを生成する「build_compile_model」という名前の関数が定義されています。

• モデルがコンパイルされ、関数からの出力として返されます。

• モデルの統計分析は、「要約」メソッドを使用してコンソールに表示されます。